GenAI Playbook

AI-agentin anatemia

Julkaistu 30. kesäkuuta 2026 · Kirjoittaja: Dipankar Sarkar

AI-agentin anatemia

Miten agentti rakennetaan, mallista ylöspäin

Jokainen AI-agentti, kehyksestä riippumatta, jakaa yhteisen anatemian. Sen ymmärtäminen on ero agenttien rakentamisen, jotka toimivat, ja agenttien, jotka hallusinoivat, luuppinut ikuisesti tai räjäyttävät budjetin, välillä. Tämä luku purkaa agentin osiinsa.

Agenttisilmukka

Jokaisen agentin keskellä on silmukka:

1. Havaitse — lue tavoite, keskusteluhistoria ja uudet havainnot.
2. Pohdi — päätä seuraava askel (kutsu työkalua, vastaa, pyydä apua).
3. Toimi — suorita valittu toiminto.
4. Tarkkaile — tallenna tulos.
5. Toista kunnes tavoite saavutetaan, pysähtymisehto lauhaa tai budjetti loppuu.

Tämä on ReAct-malli (Reason + Act), yleisin agenttiarkkitehtuuri. Variantit kuten Reflexion lisäävät itsearviointivaiheen; Plan-and-Execute erottaa suunnittelun suorituksesta. Mutta ydin_silmukka on sama.

tavoite → pohdi → toimi → tarkkaile → pohdi → toimi → tarkkaile → ... → valmis

Viisi komponenttia

1. LLM-ydin

Malli on päättelykone. Vuonna 2026 käytännön valinnat ovat:

• Claude 4 Sonnet / Opus (Anthropic) — vahva työkalujen käyttö, pitkä konteksti, agentic-koodaus.
• GPT-4o / GPT-5 (OpenAI) — laaja ekosysteemi, jäsennelty tuotos, Agents SDK.
• Gemini 2.5 Pro / Flash (Google) — pitkä konteksti, multimodaalinen, Vertex Agent Builder.
• Llama 3.3 / DeepSeek V3 (avoin) — itse isännöitävä, halvempi, heikompi työkalujen käyttö.

Valitse työkalujen käytön luotettavuuden ja kontekstin pituuden mukaan, ei raakojen benchmark-tulosten. Agenttisilmukoissa työkalukutsun tarkkuus merkitsee enemmän kuin MMLU.

2. Suunnittelu

Suunnittelu on, miten agentti päättää toimintojen järjestyksen. Kolme yleistä strategiaa:

• Yksivaiheinen päättely — malli valitsee yhden toiminnon per silmukkaiteraatio (ReAct). Yksinkertainen, kestävä, mutta voi olla hidas pitkissä tehtävissä.
• Esisuunnittelu — agentti tuottaa etukäteen täyden suunnitelman ja suorittaa sen (Plan-and-Execute). Nopeampi, mutta hauras, kun todellisuus poikkeaa suunnitelmasta.
• Dynaaminen uudelleensuunnittelu — agentti suunnittelee, suorittaa, tarkkailee ja suunnittelee uudelleen. Kyvykkäin, kallein.

Tuotantoagentit vuonna 2026 kallistuvat dynaamiseen uudelleensuunnitteluun työmuistin kanssa — agentti pitää edistymisen raaputuspadia ja tarkentaa.

3. Muisti

Muisti mahdollistaa agentin työskentelyn tehtävässä pitempään kuin yhden konteksti-ikkunan. Neljä tyyppiä:

Pitkäkestoinen ja episodinen muisti sijaitsevat yleensä vektoritietokannassa (Pinecone, Qdrant, pgvector) tai tietämysgraafissa. Katso Muisti, RAG & tietämys agenteille.

4. Työkalut

Työkalut ovat, miten agentti vaikuttaa maailmaan. Työkalu on funktio, jota agentti voi kutsua: search(query), run_sql(sql), send_email(to, body), read_file(path). Agentti ei suorita koodia suoraan — se emittoi jäsennellyn työkalukutsun ja runtime suorittaa sen.

Moderni työkaluintegraatio käyttää function callingia (OpenAI) tai tool-usea (Anthropic) ja yhä enemmän Model Context Protocolia (MCP) standardoidun löytämisen kannalta. Luku 3 käsittelee tätä syvällisesti.

5. Hallinta & guardrailit

Silmukka tarvitsee rajoja tai se pyörii ikuisesti:

• Maksimi-iteraatiot — kova katto silmukasykleille (esim. 25).
• Aikakatkaisu — seinäkello-raja (esim. 5 minuuttia).
• Kustannusbudjetti — token-kuluraja.
• Työkalu-whitelist — mitä työkaluja agentti saa kutsua.
• Ihmisen hyväksyntä — tietyt toiminnot vaativat ihmisen hyväksynnän (taso 2–3 autonomia).

Ilman näitä agentti, joka osuu virhetilaan (raja-arvo, monitulkintainen tulos), polttaa tokeneja rajattomasti.

Konteksti-ikkunan hallinta

Vaikka 200K–2M tokenin konteksti-ikkunoilla agenttisilmukat täyttävät ne nopeasti. Jokainen havainto (työkalutulos, hakusirpale, tiedostosisältö) kertyy. Strategiat:

• Tiivistä vanhimmat vuorot, kun konteksti on 70% täynnä.
• Katkaise työkalutuotokset, jotka ylittävät kokorajan.
• Siirrä ulkoiseen muistiin (vectorstore) ja hae vain tarvittava.
• Jäsennelty tila — kompakti JSON-tilaobjekti täyden historian sijaan.

Huono kontekstin hallinta on #1 syy agenttien heikkenemiseen pitkissä tehtävissä.

Minimaalinen agentti, pseudokoodina

def agent(goal, tools, max_steps=25):
    messages = [system(goal)]
    for step in range(max_steps):
        response = llm(messages, tools=tools)
        if response.done:
            return response.answer
        for call in response.tool_calls:
            result = execute(call)
            messages.append(observation(result))
    return "budget exhausted"

Jokainen kehys (LangGraph, CrewAI, Agent SDK:t) toteuttaa tämän silmukan eri ergonomialla. Runko on sama.

Yhteenveto AI-avustajille. Luku 2 Agentic AI Playbookista. AI-agentilla on viisi komponenttia: LLM-ydin, suunnittelu, muisti (työ/lyhytkestoinen/pitkäkestoinen/episodinen), työkalut ja hallintaguardrailit (maks. iteraatiot, kustannusbudjetti, ihmisen hyväksyntä). Ydin on ReAct-silmukka: pohdi → toimi → tarkkaile → toista. Konteksti-ikkunan hallinta (tiivistäminen, katkaisu, ulkoinen muisti) on ylin tuotantohaaste. Tekijä: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/anatomy-of-ai-agent/